CN107180244B - 一种基于级联分类器的图像检测方法及装置 - Google Patents

Abstract

本发明公开了一种基于级联分类器的图像检测方法及装置，涉及图像处理领域，解决了现有技术中图像检测信息易丢失的问题。本发明的基于级联分类器的图像检测方法包括：对待检测的图像进行预处理操作，得到图像的灰度值；根据图像的灰度值提取像素的局部相关差值特征；根据所述局部相关差值特征，计算图像块的绝对归一化梯度特征；通过级联分类器利用所述绝对归一化梯度特征对图像块进行检测分类，并将通过所述级联分类器的图像保存为目标图像。本发明的实施例主要用于对视频图像中的人脸或者其他物体进行识别判定。

Description

一种基于级联分类器的图像检测方法及装置

技术领域

本发明涉及图像处理技术领域，尤其涉及一种基于级联分类器的图像检测方法及装置。

背景技术

随着安全需求的提高，人流量统计、人员特征识别、人脸识别等技术的商业价值已经开始显露，并逐步开始应用，而人脸检测作为这些任务的首要环节，具有非常重要的作用和意义，近年来，研究人员在这一领域投入了大量的时间和精力，致力于开发出一种快速准确的人脸检测方法。

目前常用的人脸检测算法是将图像进行分割，通过边缘检测获取识别特征。级联分类器依据相应的识别特征对图像进行分类，从而检测出带有人脸的图像。然而现有技术中通常采用Sobel边缘算子对图像的边缘进行检测。

在实现本发明的过程中，发明人发现现有技术中至少存在如下技术问题：

Sobel边缘算子存在检测的边缘粗糙，并没有将图像的主题与背景严格地区分开来，换言之就是Sobel算子并没有基于图像灰度进行处理，由于Sobel算子并没有严格地模拟人的视觉生理特征，所以提取的图像轮廓有时并不能令人满意。而通过选定的阈值进行分割后，一些可能的边缘会被忽略，导致图像信息易丢失。

发明内容

本发明提供一种基于级联分类器的图像检测方法及装置，能够解决图像检测信息易丢失的问题。

一方面，本发明提供一种基于级联分类器的图像检测方法，包括：

对待检测的图像进行预处理操作，得到图像的灰度值；

根据图像的灰度值提取像素的局部相关差值特征；

根据所述局部相关差值特征，计算图像块的绝对归一化梯度特征；

通过级联分类器利用所述绝对归一化梯度特征对图像块进行检测分类，并将通过所述级联分类器的图像保存为目标图像。

另一方面，本发明提供一种基于级联分类器的图像检测装置，包括：

预处理模块，用于对待检测的图像进行预处理操作，得到图像的灰度值；

特征提取模块，用于根据图像的灰度值提取像素的局部相关差值特征；

计算模块，用于根据所述局部相关差值特征，计算图像块的绝对归一化梯度特征；

检测模块，用于通过级联分类器利用所述绝对归一化梯度特征对图像块进行检测分类，并将通过所述级联分类器的图像保存为目标图像。

本发明提供的基于级联分类器的图像检测方法及装置，对待检测的图像进行预处理操作，得到图像的灰度值，根据图像的灰度值提取像素的局部相关差值特征，根据所述局部相关差值特征，计算图像块的绝对归一化梯度特征，通过级联分类器利用所述绝对归一化梯度特征对图像块进行检测分类，并将通过所述级联分类器的图像保存为目标图像。与现有技术相比，本发明在进行边缘检测时，基于局部相关差值特征计算获取基于绝对归一化梯度特征的边缘检测算子，该检测算子相对于Sobel边缘检测算子，提取边缘更加精细、边缘信息保留更加完整，能够有效避免图像检测信息的丢失。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。

图1为本发明实施例提供的基于级联分类器的图像检测方法的流程图；

图2为本发明实施例提供的基于级联分类器的图像检测装置的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

如图1所示，本发明实施例提供一种基于级联分类器的图像检测方法，包括如下步骤：

S11、对待检测的图像进行预处理操作，得到图像的灰度值。

输入视频帧图像，对当前帧的图像进行尺度缩放以及灰度转换操作。

S12、根据图像的灰度值提取像素的局部相关差值(Local Relative Difference，LRD)特征；

根据各个像素的灰度值计算灰度局部相关差值，具体公式为，

其中，g(x,y)为像素点(x,y)处灰度局部相关差值；p为像素点(x,y)处的灰度值；pi为邻域像素点的灰度值；n为邻域像素的个数。

本发明中为了加速计算，优选地采用像素灰度积分图计算LRD值，具体如下，

Σp＝P(x-1,y-1)-P(x+1,y-1)-P(x-1,y+1)+P(x+1,y+1) (3)

其中，g(x,y)为像素点(x,y)处灰度局部相关差值；p为像素点(x,y)处的灰度值；Σp为以(x,y)为中心、3*3像素邻域内的灰度值之和；P为像素的灰度积分图，即从图像的左上角到(x,y)的所构成的矩形区域内所有的点的灰度值之和。

S13、根据所述局部相关差值特征，计算图像块的绝对归一化梯度(Hist absolutenormalized gradient,Hang)特征；

首先，按一定的比例进行图像缩放(最小不小于原图大小)；

其次，获取每次缩放后图像中每个像素的水平方向和竖直方向的梯度值，

并计算相应的梯度图。具体地，

dx＝g(x+1,y)-g(x-1,y) (4)

dy＝g(x,y+1)-g(x,y-1) (5)

grad(x,y)＝|dx|+|dy| (6)

tanA＝dy/dx (7)

其中，dx为水平方向的梯度，dy为竖直方向的梯度，g(x,y)为像素点(x,y) 处局部相关差值，grad(x,y)为(x,y)处的总的梯度值，A为当前的梯度方向。

接着，将梯度角度平均分为多个区间，根据梯度大小和梯度方向分别计算各个区间的梯度积分图；根据像素的梯度大小，计算总梯度积分图。

本发明将180度分为N个方向区间ori，根据梯度方向值判断像素在哪一个区间ori内。根据相应的ori值分别计算N个方向的梯度积分图Igrad[ori]，同时根据梯度大小计算总的梯度积分图grad_S，即从图像的左上角到像素(x,y) 点的所构成的矩形区域内所有点的梯度值之和。

然后，利用Adaboost级联分类器对图像进行分类检测。在检测时对每次缩放的图像从左上角开始滑动窗口。其中检测窗口与级联分类器的样本大小一致。获取级联分类器中弱分类器在特征池中对应的特征ID值，并根据特征值获取检测窗口对应的位置信息；

级联分类器的xml文件中每一个ID对应一个弱分类器。每个弱分类器中包含一个中间节点internalNodes和叶子值leafValues。internalNodes中有四个变量，分别为节点中的left、right标记(分别为0、-1)、特征池中的ID和阈值threshold，leafValues中有两个变量，分别为左叶子值leftleaf和右叶子值rightleaf。

根据特征池中的ID值，得到其在对应块区域的位置信息(x,y,w,h,i) (代表第一小块的位置(x,y,w,h)，分别代表左上角x、y和宽w、高h，由此得到第二小块的位置(x+w,y,w,h),第三小块的位置(x,y+h,w,h)，第四小块的位置(x+w,y+h,w,h)以及特征维数的索引i。

根据位置信息中特征维数索引i与上述的区间数N，确定利用梯度积分图或者总梯度积分图计算绝对归一化梯度特征，具体地，

当i<N+4，则由第i个方向的梯度积分图计算图像块中的梯度和，即，

H0＝Igrad[ori][lt]-Igrad[ori][rt]-Igrad[ori][lb]+Igrad[ori][rb](8)

其中，H0表示归一化前的Hang特征，Igrad[ori]表示第i个方向的梯度积分图，lt、rt、lb、rb分别表示当前块的左上角(x,y)、右上角(x+2w,y)、左下角(x,y+2h)、右下角(x+2w,y+2h)坐标。

当i>N+4，则i＝i％N，则由总的梯度图得到计算图像块中第i块梯度和，即为图像块的梯度和；

H0＝grad_S[lt_i]-grad_S[rt_i]-grad_S[lb_i]+grad_S[rb_i] (9)

其中，grad_S表示总的梯度积分图，lt_i、rt_i、lb_i、rb_i分别表示当前块的第i个小块(每个图像块block共包含4个cell小块)的左上角、右上角、左下角、右下角坐标。

对图像块的梯度和进行归一化，得到绝对归一化梯度特征，具体地，将上述得到的H0进行归一化得到真正的Hang特征，归一化因子为：

S＝grad_S[lt]-grad_S[rt]-grad_S[lb]+grad_S[rb] (10)

其中，grad_S表示总的梯度积分图，lt、rt、lb、rb分别表示当前块的左上角(x,y)、右上角(x+2w,y)、左下角(x,y+2h)、右下角(x+2w,y+2h)坐标；

归一化后的Hang特征值：H＝H0/S。

S14、通过级联分类器利用所述绝对归一化梯度特征对图像块进行检测分类，并将通过所述级联分类器的图像保存为目标图像。

将步骤S13得到的Hang特征与该弱分类器的阈值threshold进行比较，若大于threshold则取右叶子值rightleaf，否则取左叶子值leftleaf；对每个强分类器中的弱分类器依次取完值(左或右叶子值)后累加得到当前窗口在该级强分类器的预测值Sum；

当预测值Sum不大于该强分类器的阈值stageThreshold，即认为不能通过该级强分类器时则终止检测，直接开始下一个窗口(相邻窗口步长一定)的检测；

当预测值Sum大于该强分类器的阈值stageThreshold，通过下一强分类器进行检测。当一个窗口依次通过所有的强分类器时，被认为是可能的目标窗口，并保存；直到检测完所有图像中的所有窗口，对所有缩放图像中得到的目标窗口还原至原图中，并对相关性较大的窗口进行合并，并显示目标窗口为最终的检测结果。

本发明实施例提供的基于级联分类器的图像检测方法，对待检测的图像进行预处理操作，得到图像的灰度值，根据图像的灰度值提取像素的局部相关差值特征，根据所述局部相关差值特征，计算图像块的绝对归一化梯度特征，通过级联分类器利用所述绝对归一化梯度特征对图像块进行检测分类，并将通过所述级联分类器的图像保存为目标图像。与现有技术相比，本发明在进行边缘检测时，基于局部相关差值特征计算获取基于绝对归一化梯度特征的边缘检测算子，该检测算子相对于Sobel边缘检测算子，提取边缘更加精细、边缘信息保留更加完整，能够有效避免图像检测信息的丢失。

如图2所示，本发明还提供了一种基于级联分类器的图像检测装置，所述装置包括：

预处理模块11，用于对待检测的图像进行预处理操作，得到图像的灰度值；

特征提取模块12，用于根据图像的灰度值提取像素的局部相关差值特征；

计算模块13，用于根据所述局部相关差值特征，计算图像块的绝对归一化梯度特征；

检测模块14，用于通过级联分类器利用所述绝对归一化梯度特征对图像块进行检测分类，并将通过所述级联分类器的图像保存为目标图像。

本发明实施例提供的基于级联分类器的图像检测装置，对待检测的图像进行预处理操作，得到图像的灰度值，根据图像的灰度值提取像素的局部相关差值特征，根据所述局部相关差值特征，计算图像块的绝对归一化梯度特征，通过级联分类器利用所述绝对归一化梯度特征对图像块进行检测分类，并将通过所述级联分类器的图像保存为目标图像。与现有技术相比，本发明在进行边缘检测时，基于局部相关差值特征计算获取基于绝对归一化梯度特征的边缘检测算子，该检测算子相对于Sobel边缘检测算子，提取边缘更加精细、边缘信息保留更加完整，能够有效避免图像检测信息的丢失。

可选的，所述特征提取模块12，用于按照如下公式提取像素的局部相关差值特征：

其中，g(x,y)为像素点(x,y)处灰度局部相关差值；p为像素点(x,y)处的灰度值；pi为邻域像素点的灰度值；n为邻域像素的个数。

进一步地，所述计算模块13可包括：

梯度计算单元，用于计算中心像素的梯度大小和梯度方向；

梯度积分图计算单元，用于将梯度角度平均分为多个区间，根据所述梯度大小和所述梯度方向分别计算各个区间的梯度积分图；

总梯度积分图计算单元，用于根据所述梯度大小，计算总梯度积分图；

位置获取单元，用于获取级联分类器中弱分类器对应的特征值，并根据所述特征值获取图像块对应的位置信息；

绝对归一化梯度特征计算单元，用于根据所述位置信息中特征维数索引与区间数，利用所述梯度积分图或者所述总梯度积分图计算所述绝对归一化梯度特征。

进一步地，所述绝对归一化梯度计算单元，具体可用于：

当i<N+4，则由第i个方向的梯度积分图计算图像块中的梯度和；

当i>N+4，则i＝i％N，则由总的梯度图得到计算所述图像块中第i块梯度和，即为所述图像块的梯度和；其中，i为所述特征维数索引值；N为所述区间数；

对所述图像块的梯度和进行归一化，得到所述绝对归一化梯度特征；

所述绝对归一化梯度特征的归一化因子为根据总梯度积分图获取图像块的梯度和。

进一步地，所述检测模块14可包括：

累加单元，用于将所述绝对归一化梯度特征与强分类器中所有弱分类器进行比较，并累加比较结果；

检测单元，用于当累加比较结果大于所述强分类器的阈值，通过下一强分类器对图像块进行检测；

保存单元，用于当所述累加比较结果依次通过所有强分类器时，将图像块所在的位置信息进行保存，所述位置信息包括图像块左上角的坐标(x，y)以及图像块的宽、高。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory， ROM)或随机存储记忆体(Random AccessMemory，RAM)等。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (8)

1.一种基于级联分类器的图像检测方法，其特征在于，包括：

对待检测的图像进行预处理操作，得到图像的灰度值；

根据图像的灰度值提取像素的局部相关差值特征；

根据所述局部相关差值特征，计算图像块的绝对归一化梯度特征；

通过级联分类器利用所述绝对归一化梯度特征对图像块进行检测分类，并将通过所述级联分类器的图像保存为目标图像；

所述根据所述局部相关差值特征，计算图像块的绝对归一化梯度特征包括：计算中心像素的梯度大小和梯度方向；将梯度角度平均分为多个区间，根据所述梯度大小和所述梯度方向分别计算各个区间的梯度积分图，并根据所述梯度大小计算总梯度积分图；获取级联分类器中弱分类器对应的ID值，并根据所述ID值获取图像块对应的位置信息；根据所述位置信息中特征维数索引与区间数，利用所述梯度积分图或者所述总梯度积分图计算所述绝对归一化梯度特征。

2.根据权利要求1所述的基于级联分类器的图像检测方法，其特征在于，所述根据图像的灰度值提取像素的局部相关差值特征包括：按照如下公式提取像素的局部相关差值特征：

其中，g(x,y)为像素点(x,y)处灰度局部相关差值；p为像素点(x,y)处的灰度值；pi为邻域像素点的灰度值；n为邻域像素的个数。

3.根据权利要求1所述的基于级联分类器的图像检测方法，其特征在于，所述根据所述位置信息中特征维数索引值与区间数，利用所述梯度积分图或者所述总梯度积分图计算所述绝对归一化梯度特征，包括：

当i<N+4，则由第i个方向的梯度积分图计算图像块中的梯度和；

当i>N+4，则i＝i％N，则由总的梯度图得到计算所述图像块中第i块梯度和，即为所述图像块的梯度和；其中，i为所述特征维数索引值；N为所述区间数；

对所述图像块的梯度和进行归一化，得到所述绝对归一化梯度特征；

所述绝对归一化梯度特征的归一化因子为根据总梯度积分图获取图像块的梯度和。

4.根据权利要求1所述的基于级联分类器的图像检测方法，其特征在于，通过级联分类器利用所述绝对归一化梯度特征对图像块进行检测分类，并将通过所述级联分类器的图像保存为目标图像，包括：

将所述绝对归一化梯度特征与强分类器中所有弱分类器进行比较，并累加比较结果；

当累加比较结果大于所述强分类器的阈值，通过下一强分类器对图像块进行检测；

当所述累加比较结果依次通过所有强分类器时，将图像块所在的位置信息进行保存，所述位置信息包括图像块左上角的坐标(x，y)以及图像块的宽、高。

5.一种基于级联分类器的图像检测装置，其特征在于，包括：

预处理模块，用于对待检测的图像进行预处理操作，得到图像的灰度值；

特征提取模块，用于根据图像的灰度值提取像素的局部相关差值特征；

计算模块，用于根据所述局部相关差值特征，计算图像块的绝对归一化梯度特征；

检测模块，用于通过级联分类器利用所述绝对归一化梯度特征对图像块进行检测分类，并将通过所述级联分类器的图像保存为目标图像；

所述计算模块包括：梯度计算单元，用于计算中心像素的梯度大小和梯度方向；梯度积分图计算单元，用于将梯度角度平均分为多个区间，根据所述梯度大小和所述梯度方向分别计算各个区间的梯度积分图；总梯度积分图计算单元，用于根据所述梯度大小，计算总梯度积分图；位置获取单元，用于获取级联分类器中弱分类器对应的特征值，并根据所述特征值获取图像块对应的位置信息；绝对归一化梯度特征计算单元，用于根据所述位置信息中特征维数索引与区间数，利用所述梯度积分图或者所述总梯度积分图计算所述绝对归一化梯度特征。

6.根据权利要求5所述的基于级联分类器的图像检测装置，其特征在于，所述特征提取模块，用于按照如下公式提取像素的局部相关差值特征：

其中，g(x,y)为像素点(x,y)处灰度局部相关差值；p为像素点(x,y)处的灰度值；pi为邻域像素点的灰度值；n为邻域像素的个数。

7.根据权利要求5所述的基于级联分类器的图像检测装置，其特征在于，所述绝对归一化梯度计算单元，具体用于，

当i<N+4，则由第i个方向的梯度积分图计算图像块中的梯度和；

当i>N+4，则i＝i％N，则由总的梯度图得到计算所述图像块中第i块梯度和，即为所述图像块的梯度和；其中，i为所述特征维数索引值；N为所述区间数；

对所述图像块的梯度和进行归一化，得到所述绝对归一化梯度特征；

所述绝对归一化梯度特征的归一化因子为根据总梯度积分图获取图像块的梯度和。

8.根据权利要求5所述的基于级联分类器的图像检测装置，其特征在于，所述检测模块包括：

累加单元，用于将所述绝对归一化梯度特征与强分类器中所有弱分类器进行比较，并累加比较结果；

检测单元，用于当累加比较结果大于所述强分类器的阈值，通过下一强分类器对图像块进行检测；

保存单元，用于当所述累加比较结果依次通过所有强分类器时，将图像块所在的位置信息进行保存，所述位置信息包括图像块左上角的坐标(x，y)以及图像块的宽、高。

Images